| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的组织结构 | 第11-12页 |
| 第二章 相关背景知识介绍 | 第12-23页 |
| 2.1 深度学习基础知识了解 | 第12-15页 |
| 2.2 迭代算法 | 第15-17页 |
| 2.2.1 代数重建法 | 第16页 |
| 2.2.2 最小化图像总变差迭代算法 | 第16-17页 |
| 2.3 解析算法 | 第17-21页 |
| 2.3.1 滤波反投影算法 | 第17-19页 |
| 2.3.2 FDK算法 | 第19-21页 |
| 2.4 人工智能与医学影像 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于GAN的有限角CT重建研究 | 第23-39页 |
| 3.1 几种常见 GAN 类型 | 第23-26页 |
| 3.1.1 DCGAN | 第24-25页 |
| 3.1.2 BigGAN | 第25页 |
| 3.1.3 StackGAN | 第25-26页 |
| 3.2 基于WGAN-GP的有限角CT图像重建 | 第26-34页 |
| 3.2.1 原始GAN的不足 | 第27-30页 |
| 3.2.2 WGAN-GP | 第30-32页 |
| 3.2.3 改进的WGAN-GP的网络设计 | 第32-34页 |
| 3.3 实验设计 | 第34-38页 |
| 3.3.1 实验数据和网络训练配置 | 第34-35页 |
| 3.3.2 评价标准 | 第35-36页 |
| 3.3.3 实验结果 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于生成对抗网络的数字乳腺层析CT重建 | 第39-51页 |
| 4.1 数字乳腺层析成像技术 | 第39-44页 |
| 4.1.1 数字乳腺层析成像原理 | 第40-41页 |
| 4.1.2 DBT成像解析算法—SAA算法 | 第41-43页 |
| 4.1.3 DBT 成像迭代重建算法—OS-EM 重建算法 | 第43-44页 |
| 4.2 基于生成对抗网络的DBT重建 | 第44-48页 |
| 4.2.1 修复网络 | 第45-47页 |
| 4.2.2 去模糊网络 | 第47-48页 |
| 4.3 实验数据和网络配置 | 第48-49页 |
| 4.4 实验结果 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第56-57页 |
| 附录2 攻读硕士学位期间申请的专利 | 第57-58页 |
| 致谢 | 第58页 |